ÖZÇEKİM KALP HASTALIĞINI TESPİT ETMEK İÇİN KULLANILABİLİR!
Özet: Yeni bir yapay zeka algoritması, bir özçekimi analiz ederek bir kişinin kalp hastalığı riskini tespit edebilir. Teknoloji, bir kişinin risk faktörünü belirlemek için kırışıklıklar, ksantelasmata (Gözlerin etrafında beliren küçük beyaz lekelere verilen isim olarak bilinen ksantelazma, tedavi edilmediği taktirde zamanla kötü görünen iyi huylu tümörler haline geliyor) ve korneanın dış kenarlarındaki halkalar gibi kalp hastalığıyla ilişkili olduğu bilinen belirli yüz özelliklerini inceler.
Bugün European Heart Journal'da yayınlanan yeni bir araştırmanın yazarlarına göre, doktora bir özçekim göndermek, kalp hastalığını saptamanın ucuz ve basit bir yolu olabilir.
Çalışma, bir kişinin yüzünün dört fotoğrafını analiz ederek koroner arter hastalığını (CAD) tespit etmek için derin öğrenme bilgisayar algoritması kullanmanın mümkün olduğunu gösteren ilk çalışmadır.
Algoritmanın daha fazla geliştirilmesi ve farklı etnik kökenlerden daha büyük insan gruplarında test edilmesi gerekmesine rağmen, araştırmacılar algoritmanın genel popülasyondaki veya yüksek riskli gruplardaki insanlarda olası kalp hastalığını belirleyebilecek ve ileri klinik araştırmalar için bir tarama aracı olarak kullanılma potansiyeline sahip olduğunu söylüyorlar.
Araştırmaya liderlik eden ve Ulusal Kardiyovasküler Hastalıklar Merkezi'nin müdür yardımcısı ve Fuwai Hastanesi, Çin Tıp Bilimleri Akademisi ve Pekin, Çin Halk Cumhuriyeti Pekin Birliği Tıp Fakültesi başkan yardımcısı Profesör Zhe Zheng "Bildiğimiz kadarıyla bu, yapay zekanın kalp hastalığını tespit etmek ve yüzleri analiz etmek için kullanılabileceğini gösteren ilk çalışma. Bu çalışma ayakta tedavi kliniklerinde veya kendi taramalarını gerçekleştirmek için özçekim yapan hastaların aracılığıyla kalp hastalığı riskini değerlendirmek için kullanılabilecek derin öğrenme tabanlı bir aracın geliştirilmesine doğru bir adımdır. Bu, daha ileri tanı testleri veya klinik ziyaret için yol gösterebilir. ”dedi.
“Bizim esas amacımız, bir kliniği ziyaret etmeden önce yüksek riskteki topluluklar için kalp hastalığı riskini değerlendiren kendi kendine rapor edebilen bir uygulama geliştirmektir. Bu daha ileri araştırma gerektiren hastalar için ucuz, basit ve etkili bir yol olabilir. Buna karşın, bu algoritma diğer toplumlarda ve etnik kökenlerde ilave titizlik ve dış geçerlilik gerektiriyor.” diye devam etti.
Bu zaten biliniyor ki, belirli yüze ait özellikler artan kalp hastalığı riski ile alakalıdır. İncelme ya da gri saç, kırışıklıklar, kulak memesi kıvrılması, ksantelazmata (deri altında küçük, sarı kolesterol birikimi, genellikle göz kapakları civarında), ve arcus corneae (korneanın dış kenarlarında puslu beyaz, gri veya mavi renkte opak zincir olarak yağ ve kolesterol birikmesi) bunlara örnek verilebilir. Ancak, bunlar insanların kalp hastalığı riskini tahmin etme ve ölçmede başarılı bir şekilde kullanmaları zordur.
Profesör Zheng, Pekin Tsinghua Üniversitesi Otomasyon Bölümü'nde Beyin ve Biliş Enstitüsü Müdürü olan Profesör Xiang-Yang Ji ve diğer meslektaşları, Temmuz 2017 ile Mart 2019 arasında çalışmaya Çin'deki sekiz hastaneden 5.796 hasta dahil etti. Hastalar koroner anjiyografi veya koroner bilgisayarlı tomografi anjiyografi (CCTA) gibi kan damarlarını araştırmak için görüntüleme prosedürlerinden geçiyorlardı. Rastgele eğitim (5.216 hasta, %90) veya validasyon (580, %10) gruplarına ayrıldılar.
Eğitimli araştırma hemşireleri, dijital kameralarla dört yüz fotoğraf çekti: bir önden, iki profil ve bir başın üst görüntüsü. Ayrıca sosyoekonomik durum, yaşam tarzı ve tıbbi geçmiş hakkında veri toplamak için hastalarla görüştüler. Radyologlar hastaların anjiyogramlarını gözden geçirdiler ve kaç tane kan damarının %50 veya daha fazla daraldığına (≥%50 stenoz) ve konumlarına bağlı olarak kalp hastalığının derecesini değerlendirdiler. Bu bilgi, derin öğrenme algoritmasını oluşturmak, eğitmek ve doğrulamak için kullanıldı.
Araştırmacılar daha sonra algoritmayı, Nisan 2019 ile Temmuz 2019 arasında kayıtlı olan Çin'deki dokuz hastaneden 1.013 hasta üzerinde test etti. Tüm gruplardaki hastaların çoğunluğu Han Çinli etnik kökene sahipti. Algoritmanın, kalp hastalığı riskini tahmin etmek için mevcut yöntemleri geride bıraktığını buldular (Diamond-Forrester modeli ve CAD konsorsiyum klinik skoru). Doğrulama grubunda, algoritma vakaların % 80'inde (gerçek pozitif oran veya 'duyarlılık') kalp hastalığını doğru bir şekilde tespit etti ve doğru şekilde tespit edilen kalp hastalığı vakaların % 61'inde mevcut değildi (gerçek negatif oran veya 'özgüllük'). Test grubunda duyarlılık % 80 ve özgüllük % 54 çıktı.
Prof. Ji: “Algoritmanın orta düzeyde bir performansı vardı ve ek klinik bilgiler performansını yükseltemedi ki bu da yalnızca yüz fotoğraflarına dayalı potansiyel kalp hastalığını tahmin etmek için kolayca kullanılabileceği anlamına geliyor. Yanak, alın ve burun diğer yüz bölgelerine göre algoritmaya daha fazla bilgi aktardı. Bununla birlikte, özgünlük, % 46'ya varan bir yanlış pozitif oranı, hastalar için endişeye neden olabileceğinden ve ayrıca kliniklere gereksiz testler getiren hastalarla potansiyel olarak aşırı yüklemeye olabileceğinden özgüllüğü iyileştirmemiz gerekiyor… “ dedi.
Algoritma, diğer etnik gruplarda test yapılmasını gerektirmenin yanı sıra; çalışmanın sınırlamaları, test grubunun tek merkezli olması ve algoritmayı geliştirmesi için hastalara sağlayan merkezlerden farklı olmasını da kapsıyor bu da algoritmanın genelleştirebilirliğini diğer popülasyonlar için daha da sınırlandırabilir.
Birleşik Krallık Oxford Üniversitesi'nde Kardiyovasküler Tıp Profesörü Charalambos Antoniades ve Oxford'da Prof. Antoniades altında çalışan bir DPhil öğrencisi olan Dr Christos Kotanidis, eşlik eden bir başyazıda şunları yazıyor: “Genel olarak, Lin ve arkadaşları tıbbi teşhiste yeni bir potansiyeli açığa çıkardı... Lin ve arkadaşlarının yaklaşımının sağlamlığı derin öğrenme algoritmalarının tek veri girişi olarak sadece bir yüz görüntüsünü gerektirmesi, büyük ölçekte oldukça ve kolayca uygulanabilir olması gerçeğine dayanmaktadır.
Devam ediyor: “Özçekimleri bir tarama yöntemi olarak kullanmak, genel popülasyonu daha kapsamlı klinik değerlendirmeye doğru filtrelemek için basit ama etkili bir yol olabilir. Böyle bir yaklaşım, dünyanın yetersiz finanse edilen ve kardiyovasküler hastalık için zayıf tarama programları olan bölgeleri için de oldukça uygun olabilir. Bir özçekim yapmak kadar kolay bir şekilde yapılabilen bu süreç CCTA ile birinci basamak teşhis testleri için sağlık sistemlerine beslenen katmanlı bir insan akışına izin verebilir. Gerçekten de "yüksek riskli" bireyler, CCTA görüntü analizi için yeni yapay zeka destekli metodolojilerin kullanımıyla güvenilir risk sınıflandırmasına izin verecek bir CCTA'ya sahip olabilir. "
Prof. Zheng ve Prof. Ji'nin makalelerine de dahil ettikleri bazı sınırlamaların altını çiziyorlar. Bunlar, testin düşük özgüllüğünü, testin daha geniş popülasyonlarda iyileştirilmesi ve doğrulanması gerektiğini ve “bilginin ayrımcı amaçlar için kötüye kullanılması ile ilgili etik soruları gündeme getirmesini içerir. Bir yüz fotoğrafından kolayca çıkarılabilen hassas sağlık kaydı verilerinin istenmeyen yayılımı, burada tartışılanlar gibi teknolojileri kişisel verilerin korunması için önemli bir tehdit haline getirerek potansiyel olarak sigorta seçeneklerini etkileyebilir. Bu tür korkular hâlihazırda genetik verilerin kötüye kullanımı üzerinden ifade edilmiştir ve tıpta yapay zeka kullanımına ilişkin kapsamlı bir şekilde yeniden gözden geçirilmelidir.” Araştırma makalesinin yazarları bu konuda hemfikirdir. Prof. Zheng şunları söyledi "Bu yeni teknolojilerin geliştirilmesi ve uygulanmasında etik konular kilit öneme sahiptir. Klinik araçlarla ilgili gelecekteki araştırmaların, aracın yalnızca tıbbi amaçlar üzerine kullanılmasını sağlamak üzere; gizlilik, sigorta ve diğer sosyal etkilere dikkat etmesi gerektiğine inanıyoruz.” Prof. Antoniades ve Dr. Kotanidis ayrıca başyazılarında, koroner arter hastalığını bir ana koroner arterde ≥ %50 stenoz “gerçekten sağlıklı olan CAD grubu olmayan bireylerde biriktiği için ve aynı zamanda hastalığı zaten geliştirmiş ancak hala erken evrelerde olan kişilerde toplandığı için basit ve oldukça kaba bir sınıflandırma olabilir (bu gözlemlenen düşük özgüllüğü açıklayabilir)” olarak tanımlıyor.
Kaynakça: https: https://neurosciencenews-com.cdn.ampproject.org/c/s/neurosciencenews.com/ai-selfie-heart-disease-16886/amp/